Due to the unprecedented growth of the Internet of Things (IoT), safeguarding IoT devices of wireless connection has now become more challenging than ever. As a new paradigm of security mechanisms, radio frequency fingerprint identification (RFFI) has attracted lots of research attention since it can be used to authenticate authorized users by exploiting the transmitter hardware characteristics. However, the channel variations will cause the distribution shift of the received signals and thus lead to an unreliable classification performance for RFFI in unknown channel environments. For this reason, this paper proposes a robust RFFI method to resist the unknown channel effects. Specifically, we first propose a signal preprocessing method named second-order spectral circular shift bidirectional division (SoSCSBD) to convert the received signals into the second-order spectral quotient (SoSQ) sequences, where the channel effects can be deeply suppressed. Secondly, considering the division-based algorithm will induce the outliers, we present the median absolute deviation aided outlier filter (MADAOF) to remove them so that the statistical stability of the filtered SoSQ sequences will be enhanced. Then, a low-dimension RFF extraction method using the principal component analysis (PCA) algorithm is proposed to construct feature samples with device-specific information. Finally, the feature samples collected under different channel conditions are sent to the multi-class support vector machine (SVM) classifiers for training and testing. Furthermore, we carry out extensive experiments to evaluate the performance of the proposed RFFI method. Numerical results suggest that the newly developed RFFI method exhibits strong generalization, achieving robust and superior performance in comparison to several existing methods under unknown multipath fading channels.

Research indicates that replacing relays with the reconfigurable intelligent surface (RIS) can effectively reduce energy consumption under certain conditions. Therefore, introducing RIS into unmanned aerial vehicle (UAV) assisted airto- ground communication networks can further enhance communication performance. In this paper, we propose a RISUAV- assisted communication network scenario that utilizes the zero-forcing (ZF) precoding method to eliminate multi-user interference, and then optimize the BS transmit power by using the Dinkelbach algorithm. To address the optimization problem of bandwidth allocation, RIS phase shifts, and threedimensional (3D) coordinates of the RIS-UAV, we propose two deep reinforcement learning (DRL) algorithms, which are termed D3QN-MM and D3QN-Pure, respectively. Both D3QN-MM and D3QN-Pure utilize the dueling double deep Q-network (D3QN) for optimizing bandwidth allocation and the 3D coordinates of the RIS-UAV. However, D3QN-MM employs the traditional majorizeminimization (MM) algorithm for RIS phase shifts optimization, while D3QN-Pure utilizes the D3QN. By comparing them with other algorithms, such as the DRL algorithm, the advantages of the algorithms proposed in this paper are highlighted. Furthermore, compared to the amplify-and-forward (AF) relay, the RIS can achieve a 48% energy efficiency improvement. Besides, the D3QN-Pure algorithm provided up to 14.3% energy effciency improvement compared to the D3QN-MM algorithm.

ABSTRACT Introduction With the development and integration of satellite and terrestrial networks, mobile traffic prediction has become more important than before, which is the basis for service provision and resource scheduling when supporting various vertical applications. However, existing traffic prediction methods, especially deep learning‐based methods, require massive data for model training. Due to data privacy concerns, mobile traffic data are not easily shared among different parties, making it difficult to obtain a precise prediction model. Methods To mitigate the data leakage risk, a federated learning framework is proposed in this study for mobile traffic prediction in satellite‐terrestrial integrated networks to achieve a tradeoff between data privacy and prediction accuracy. In the proposed framework, local models are trained in base stations on the ground, and a global model is aggregated in the satellite edge server in space. Results A deep learning‐based prediction model with an adaptive graph convolutional network (AGCN) and long short‐term memory (LSTM) modules is proposed and validated in numerical experiments, which achieves the lowest prediction error with a real‐world traffic dataset when compared with other graph neural network (GNN) variants in the federated learning setting. Conclusion Numerical experiments with a real‐world mobile traffic dataset demonstrate the effectiveness of the proposed approach, which outperforms other GNN variants with lower prediction errors.